-
公开(公告)号：CN119206573A
公开(公告)日：2024-12-27
申请号：CN202411255751.8
申请日：2024-09-09
Applicant: 上海大学
Abstract: 本发明属于视频处理技术领域，并公开了一种面向视频的事件知识抽取方法、系统、设备及介质，包括：对待处理视频进行视频帧分割，基于物理空间角度和嵌入空间角度对各视频帧进行抽取，得到若干关键帧；生成各关键帧对应的图像标题；将各关键帧及对应的图像标题输入多模态事件抽取模型中进行事件提取，得到各关键帧对应的事件；其中，多模态事件抽取模型包括依次连接的特征提取模块、基于注意力机制的多模态特征融合模块和分类器构成；基于待处理视频的固有时间顺序信息，对各关键帧及对应的事件进行排序归纳，得到待处理视频中的事件知识及事件演化轨迹。本发明所述技术方案能够提升事件知识抽取的准确性和丰富度、减少了人工参与的必要。
-
公开(公告)号：CN111861771A
公开(公告)日：2020-10-30
申请号：CN202010483548.1
申请日：2020-06-01
Applicant: 上海大学
IPC: G06Q50/00
Abstract: 本发明公开了一种基于动态社交网络属性的多目标优化社区发现系统及方法。本系统包括接收单元、数据预处理单元、计算单元、显示单元及主控单元。本方法是：将动态网络抽象为由T个时间步的网络组合而成的动态网络图，将当前时间步t的网络划分为K个社区，使网络划分结果保持连续性。本发明提出采用多目标优化方法来解决动态网络社区划分的问题。多目标优化方法包括初始化和迭代两部分；并提出概率选择方法以初始化方案，生成初始的方案集，还提出了结构演化自适应模型，包括社区结构优质性和社区演化连续性两部分，通过使用不同的评估函数来保证Pt的优质性以及Pt-1至Pt间演化的连续性。本发明提出评估社区演化连续性的目标函数动态演化连续性度量。
-
公开(公告)号：CN110796561A
公开(公告)日：2020-02-14
申请号：CN201910996537.0
申请日：2019-10-19
Applicant: 上海大学
IPC: G06Q50/00 , G06F16/901
Abstract: 本申请公开了基于三跳速度衰减传播模型的影响力最大化方法及装置，包括：将社交网络抽象为有向图数据结构G(V,E)，G表示有向图，V代表节点的集合，节点代表一个用户或者一个群组，E代表边的集合，每条边代表两个节点之间的关系，扫描图G，得出每个节点的出度w并保存，定义距离衰减因子μ和时间衰减因子 根据μ和定义影响力传播速率v，根据μ和定义节点影响力目标函数σ，根据影响力传播速率v在图G进行传播，构建每个节点的三跳传播路径，利用影响力目标函数量化每个节点的影响力，进行算法迭代，寻找前z个影响力最大的节点并输出，同时还公开了基于三跳速度衰减传播模型的影响力最大化节点计算装置。
-
公开(公告)号：CN101782897A
公开(公告)日：2010-07-21
申请号：CN201010126360.8
申请日：2010-03-17
Applicant: 上海大学
IPC: G06F17/27
Abstract: 本发明公开了一种基于事件的中文语料标注方法，该方法具体步骤如下：(1)语料收集步骤：从互联网上收集生语料；(2)文本预处理步骤：对生语料进行断句和切分词的预处理；(3)文本分析步骤：对预处理后的语料进行句法分析和语义分析；(4)事件标注步骤：对分析后的文本，标注其中的事件指示词和事件要素；(5)一致性检查步骤：检查语料的不同标注版本之间的一致性，以保证语料标注的质量。该方法标注了语料中所有的事件，具有很好的覆盖性；该方法对预处理后的中文文本进行了句法和语义分析，根据分析结果进行标注，符合中文的特点；该方法对标注后的语料进行一致性检查，能保证语料标注的质量。
-
公开(公告)号：CN114201965B
公开(公告)日：2024-10-18
申请号：CN202111541301.1
申请日：2021-12-16
Applicant: 上海大学
IPC: G06F40/279 , G06F40/216 , G06F40/30 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 本发明涉及多模态数据的表示学习技术领域，具体涉及一种基于事件本体的多模态事件表示学习方法。具体技术方案为：一种基于事件本体的多模态事件表示学习方法，包括：相关领域事件本体的构建并形成事件本体模型；初始多模态事件信息数据的预处理，根据事件本体中定义的语言表现，将不同的事件归并到不同的事件类中；采用本体模型和多模态预训练模型对多模态事件数据进行嵌入表示；采用图卷积神经网络模型学习本体中由事件和事件以及事件和关系所构成的图结构。本发明能够解决单模态事件表达能力不足、事件之间缺乏语义信息的问题，同时能够保证相似或相关事件之间的语义距离越近，无关或不相似事件的语义距离越远。
-
Patent Agency Ranking
公开(公告)号：CN110796561B
公开(公告)日：2023-04-11
申请号：CN201910996537.0
申请日：2019-10-19
Applicant: 上海大学
IPC: G06Q50/00 , G06F16/901
Abstract: 本申请公开了基于三跳速度衰减传播模型的影响力最大化方法及装置，包括：将社交网络抽象为有向图数据结构G(V,E)，G表示有向图，V代表节点的集合，节点代表一个用户或者一个群组，E代表边的集合，每条边代表两个节点之间的关系，扫描图G，得出每个节点的出度w并保存，定义距离衰减因子μ和时间衰减因子根据μ和定义影响力传播速率v，根据μ和定义节点影响力目标函数σ，根据影响力传播速率v在图G进行传播，构建每个节点的三跳传播路径，利用影响力目标函数量化每个节点的影响力，进行算法迭代，寻找前z个影响力最大的节点并输出，同时还公开了基于三跳速度衰减传播模型的影响力最大化节点计算装置。
-
公开(公告)号：CN115858814A
公开(公告)日：2023-03-28
申请号：CN202211644166.8
申请日：2022-12-20
Applicant: 上海大学
IPC: G06F16/36 , G06F16/33 , G06F40/295
Abstract: 本发明涉及信息抽取方法技术领域，且公开了基于全局指针解码方法的文本结构化信息抽取方法，包括以下算法及模型：(1)面向文本事件信息抽取的向量化表示；(2)统一方式处理嵌套与非嵌套NER任务；(3)设计事件抽取算法并完成模型训练；(4)设计事件关系抽取算法并完成模型训练；(5)完成最优化模型参数的部署对知识进行融合加工。本发明通过全局化的关联文本内容，用归一处理的全局指针解码方法方法来应对命名实体识别任务，不对嵌套实体和非嵌套实体作明确区分，使得形成的模型统一高效的处理两类文本，并将归一化的模型利用到两个抽取任务之中，实现从非结构化文本中抽取结构化有效信息的优点。
-
公开(公告)号：CN114201965A
公开(公告)日：2022-03-18
申请号：CN202111541301.1
申请日：2021-12-16
Applicant: 上海大学
IPC: G06F40/279 , G06F40/216 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明涉及多模态数据的表示学习技术领域，具体涉及一种基于事件本体的多模态事件表示学习方法。具体技术方案为：一种基于事件本体的多模态事件表示学习方法，包括：相关领域事件本体的构建并形成事件本体模型；初始多模态事件信息数据的预处理，根据事件本体中定义的语言表现，将不同的事件归并到不同的事件类中；采用本体模型和多模态预训练模型对多模态事件数据进行嵌入表示；采用图卷积神经网络模型学习本体中由事件和事件以及事件和关系所构成的图结构。本发明能够解决单模态事件表达能力不足、事件之间缺乏语义信息的问题，同时能够保证相似或相关事件之间的语义距离越近，无关或不相似事件的语义距离越远。
-
公开(公告)号：CN112818245A
公开(公告)日：2021-05-18
申请号：CN202110214712.3
申请日：2021-02-25
Applicant: 上海大学
IPC: G06F16/9535 , G06F16/9536 , G06Q50/00
Abstract: 本发明公开了一种基于高斯传播模型的社交网络影响力最大化方法，包括以下步骤：S1，在社交网络中构建三个维度；S2，基于三个维度和平衡函数分别计算出侧向扩散参数、竖向扩散参数和节点影响动态源强度；S3，基于计算结果构建高斯传播模型，S4，基于高斯传播模型建立目标函数，构建改进的CELF算法，根据目标函数和改进的CELF算法计算影响力。本发明提出了社交网络下的高斯传播模型，验证了高斯传播模型下影响力最大化算法的效率和效果，并且证明了该算法的精准度，本发明无论在效率和效益上均具有显著的进步。
-
公开(公告)号：CN111652751A
公开(公告)日：2020-09-11
申请号：CN202010499542.3
申请日：2020-06-04
Applicant: 上海大学
Abstract: 本发明提供一种基于社区熵的多目标优化动态网络社区发现方法，包括将社交关系动态网络G初始化为方案集；通过解码方案集得到在时间步t时的社交关系动态网络G中不同社区的划分方案集合；计算每个划分方案的多目标最大化值得到目标函数结果集合，进而得出帕累托最优解集合；预先设定迭代次数，进行迭代操作，迭代过程中，生成规模为N的新方案集合，遍历新方案集合里的每一个方案，从帕累托最优解集中随机选择一个作为初始最佳值复制给新方案；进行局部优化；将原方案集和新方案集合并，得到新的帕累托最优解和相应的帕累托前沿；新的帕累托最优解作为下一次迭代的初始最佳值的候选解。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.026 seconds)
